基于極限學習機的駕駛員制動意圖識別*

周恒平 牛志剛

（太原理工大學，山西 030024）

主題詞：制動意圖 再生制動 鄰域成分分析 極限學習機

1 前言

電動汽車的再生制動是提高能量利用率的重要途徑。據統計，城市工況中采用再生制動系統的車輛可降低約15%的能量消耗，提高10%～30%的續駛里程[1-2]。

再生制動控制策略中整車控制器（Vehicle Control Unit，VCU）根據傳感器數據計算獲得駕駛員制動意圖，然后分配制動力并控制制動系統實現制動功能[3]。目前，基于制動踏板單參數的制動意圖識別方法不能準確識別制動意圖，從而影響了汽車的制動性能與能量回收[4]。趙偉強等利用制動踏板位移及其變化率，基于徑向基函數（Radial Basis Function，RBF）的K 均值聚類算法建立駕駛員制動意圖識別模型[5]。弓馨等選取制動踏板位移及其變化率，基于模糊邏輯建立期望減速度模型，再根據期望減速度、輪速及其方差等參數識別多工況駕駛員制動意圖[6]。張文波等綜合分析駕駛員制動過程與道路環境，設計了基于偽二維連續隱馬爾可夫模型的制動意圖識別方案[7]。李曉東等提出了基于支持向量機（Support Vector Machines，SVM）的駕駛意圖識別方法，通過自適應粒子群算法提高了模型的預測能力[8]。

制動意圖識別是整個制動系統控制中的重要一環，上述方法在意圖識別過程中可以達到90%以上的準確率，但識別速度仍有待提高。為了進一步準確、實時地識別駕駛員制動意圖，本文基于鄰域成分分析（Neighborhood Components Analysis，NCA）和極限學習機（Extreme Learning Machine，ELM）算法建立多參數電動汽車駕駛員制動意圖識別模型，并對模型進行優化。

2 制動意圖特征參數選擇

2.1 特征參數分析

制動意圖是指駕駛員操縱車輛減速或停車的駕駛意圖[9]。根據道路及行駛狀況和駕駛員操作特性的不同，制動意圖可以分為緩慢制動、中等制動和緊急制動3類。緩慢制動也稱為調節制動，中等制動也稱為目標制動。當汽車處于不同的行車環境時，駕駛員會作出判斷并產生相應的行為反應。表1 列出了不同制動意圖對應的詳細工況特征和制動行為。

表1 制動意圖特征描述

目前，相關研究大多選取制動踏板開度及其變化率2個參數來識別制動意圖，在是否為緊急制動的識別中有較好的效果，但在駕駛員緩慢制動與中等制動上的效果并不明顯。實際上，制動踏板位移及其變化率、制動踏板力和制動管路壓力等參數都可以直接反映駕駛員對車輛的操作，并且容易通過各種傳感器獲取相關的信號數據。

文獻[10]研究表明，制動踏板位移不受駕駛員習慣影響，是能夠反映駕駛員制動意圖的最佳識別特征參數。制動踏板位移變化率具有一定隨機性，而制動踏板力和制動管路壓力受系統結構影響，都會導致識別結果不夠準確。

通過整車制動試驗分別采集緩慢制動、中等制動、緊急制動意圖下4 個制動特征的數據。對于試驗采集的信號，傳感器等器件在工作中會產生一定的隨機脈沖干擾，這些干擾信號會混入制動意圖輸入信號中，影響駕駛員制動意圖識別結果，因此，本文采用移動平均濾波法對采集的信號數據進行預處理。移動平均濾波算法是一種降低隨機干擾誤差，平滑采集數據的濾波算法，通過移動采樣窗口求均值，最終過濾掉高頻的信號數據。將信號濾波預處理后，選取3 種制動意圖下150組包括制動踏板位移及其變化率、制動踏板力和制動管路壓力測量值作為樣本數據，通過數據分析求解每種特征參數在系統中所占的權重，選出建立模型使用的識別參數。

2.2 鄰域成分分析原理及算法

NCA 是一種非參數的、嵌入的特征選擇方法，目的是最大限度地提高回歸和分類算法的預測精度[11]。考慮一個數據集合為S的制動意圖分類問題：

式中，xt為第t組特征數據；yt為第t組數據對應的意圖類別；p為集合中數據總數量。

從S中隨機選取一個點xref作為樣本點x的近鄰參考點。令點xt到x的距離函數為：

式中，wr為數據組中第r個參數的特征權重。

則選取點xt作為隨機參考點的概率為：

式中，k為距離系數。

設集合中第t個樣本的選出概率為Pt,則正確分類樣本的平均概率為：

式中，λ為正則化參數。

最后，通過引入λ將提高平均概率F的問題轉變為尋找產生最小分類損失的λ。交叉驗證的算法步驟為：

a.將制動樣本數據分為5份，其中4/5的數據指定為訓練集，其余的數據指定為測試集。

b.使用訓練集為每個λ取值訓練鄰域分量分析模型。

c.通過NCA模型計算相應測試集的分類損失，并記錄損失值。

d.重復以上步驟，最終找到最佳的λ取值，計算出對應的特征權重。

本文設定NCA 算法的步長為1/q，其中q=135 為訓練數據數量，然后計算特征參數的權重，選取其中比重較大的參數用于建立模型識別制動意圖。經過模型的計算，制動踏板位移及其變化率在4個參數中占有較大的權重，符合前文對制動意圖特征參數選取的分析。另外，制動踏板力相較于制動管路壓力在意圖分類中更具識別性。

制動踏板位移及其變化率能夠更準確地反映駕駛員的制動意圖。同時，選取制動踏板力參數通過力與位移2 種不同類型的傳感器結合使用，能夠避免共因失效，提高制動意圖識別系統的可靠性。綜上，本文最終選取制動踏板位移及其變化率和制動踏板力3 個特征參數。

3 制動意圖識別模型建立

3.1 極限學習機原理及算法

ELM 是基于穆爾-彭羅斯（Moore-Penrose）逆矩陣的一種具有設置參數少、收斂速度快等優勢的學習算法[12]。傳統的學習算法需要通過不斷迭代計算、調整參數來優化結構，ELM 的本質是根據隨機特征映射線性的求解過程，可以極大地降低算法的復雜程度，提高學習速率。

ELM神經網絡結構如圖1所示，假設有任意的數據樣本(Xt,Yt)，其中Xt=[xt,1xt,2…xt,m]T∈Rm為輸入的特征參數，Yt=[yt,1yt,2…yt,n]T∈Rn為對應的意圖識別結果。基于ELM的識別模型輸出可以表示為：

圖1 ELM神經網絡結構

式中，Wi、βi分別為第i個隱層神經元的輸入權重和輸出權重；bi為第i個隱層神經元的偏置；g()為激活函數；L為模型隱層節點數量；N為樣本數量；oj為第j個樣本對應的模型輸出。

ELM 通過對應識別模型的目標tj訓練網絡得到最小的輸出誤差：

即存在βi、Wi和bi使得：

簡化后可表示為Hβ=T，其中H為隱含層的輸出矩陣，β為輸出權重，T為模型的期望輸出結果。

3.2 模型建立及優化

基于ELM 算法構建駕駛員制動意圖識別模型，選定隱層節點數量為20 個，并選取激活函數Sigmoid，表達式為：

一般的ELM算法的輸入權值與隱層偏置由系統隨機生成，同時考慮到輸入數據存在隨機噪聲，在識別模型計算最小誤差時存在一定的不穩定性[13]。本文在求解制動意圖模型輸出權重中引入加權最小二乘法優化神經網絡的計算過程。最小二乘估計（Least Square Estimation，LSE）是常用的回歸統計方法，根據回歸殘差求解模型的輸出權重。殘差ei的目標函數可表示為：

式中，ρ()為影響函數。

輸出權重可由加權最小二乘法確定[14]：

式中，W為隱含層的輸入權重。

4 模型驗證及數據分析

4.1 數據歸一化

從各種制動意圖中隨機選取90組包括制動踏板位移、制動踏板位移變化率和制動踏板力的數據進行制動意圖的仿真測試，表2列出了部分特征參數數據。

表2 部分制動特征參數數據

根據識別模型的要求，神經網絡輸入和輸出的節點數量可能不止1個，多個節點導致數據的量綱和數量級可能會有所差別[15]，使訓練好的神經網絡對于新的樣本數據識別結果的準確度難以保證。因此，需要先對各節點的數據進行歸一化處理，然后驗證制動意圖識別模型的識別能力。

4.2 離線驗證分析

將驗證數據導入訓練后的識別模型中，首先，神經網絡會根據輸入參數隨機確定輸入權重矩陣W和隱層的偏置矩陣B，然后求解輸出神經元的權重并預測輸出結果，最后，對比實際意圖得到如圖2 所示的結果。其中制動意圖取1、2、3分別代表緩慢制動、中等制動和緊急制動。

圖2 測試集預測結果

模型的測試結果如表3所示。3種制動意圖各選取30 組數據，只有4 組識別錯誤，駕駛員制動意圖的識別準確率達到95.56%。

表3 離線模型驗證結果 組

然后向算法中添加時間函數，求得識別時間為0.18 s。表4列出了幾種制動意圖識別方法的平均耗時情況。綜合分析數據結果，ELM算法收斂速度快，誤差小，即需要較少的迭代次數即可達到模型所需要的精度要求。

表4 模型識別時間 s

4.3 在線驗證分析

dSPACE 實時仿真系統具有很好的實時性與可靠性，采用基于dSPACE的駕駛試驗臺在線驗證制動意圖識別模型的實時識別效果。選擇一名普通的駕駛員在駕駛模擬器中，按照要求進行6次制動試驗（緩慢制動、中等制動和緊急制動各2 次），通過MATLAB/dSPACE平臺采集的制動踏板濾波處理信號以及制動意圖在線識別結果如圖3所示。由圖3可知，模型正確地在線識別出了全部的制動意圖。制動能量回收主要集中在中小制動強度階段，緊急制動過程由于再生制動力不能滿足車輛的制動安全性要求而無法回收能量[16]，因此準確地識別出制動意圖對于制動能量回收具有重要的意義。

圖3 制動意圖在線驗證結果

制動意圖在線驗證響應結果如圖4所示。從圖4中可以看出，第9.7 s時系統識別到制動踏板信號，第9.9 s時識別出緩慢制動意圖，即意圖在線識別時間為0.2 s。一般地，汽車制動過程中制動器作用時間為0.2～0.9 s，模型的識別響應時間滿足制動安全性的要求。

圖4 制動意圖在線驗證響應

5 結束語

本文提出了一種基于鄰域成分分析與極限學習機算法的制動意圖分類與識別方法。通過對制動相關的特征參數進行鄰域成分分析，選取制動踏板位移及其變化率和制動踏板力3 個特征參數建立多參數制動意圖識別模型。基于極限學習機理論建立并優化駕駛員制動意圖識別模型，驗證結果表明，模型識別準確率達到95.56%，響應時間為0.2 s，在制動意圖，尤其是緩慢制動與中等制動之間的意圖識別準確率和實時性方面有了進一步提升。

未來的研究中可以結合汽車行駛工況與駕駛環境對制動意圖進行相應細分，同時利用車速和制動管路壓力等信息增設冗余控制，完善制動意圖識別模型，進而提高車輛的駕駛性及經濟性。